論文の概要: Empowering Economic Simulation Through Situation-Aware Llm-Driven Generative System
- arxiv url: http://arxiv.org/abs/2606.20720v1
- Date: Tue, 16 Jun 2026 17:24:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 13:34:02.143934
- Title: Empowering Economic Simulation Through Situation-Aware Llm-Driven Generative System
- Title（参考訳）: 状況を考慮したLlm駆動生成システムによる経済シミュレーションの強化
- Authors: Zhimei Chen, Mu Chen,
- Abstract要約: エージェント・ベース・モデリング(ABM)は、マクロ経済現象を生成するためにマイクロレベルのダイナミクスを取り入れたBOTTOM-UPソリューションを採用している。
本研究では, LLM や経済軌道に埋め込まれたマクロ経済理解の豊かな個々のエージェントをモデル化するSAMASを提案する。
マクロレベルの構造パターンとマイクロレベルの動的挙動の両方を共同でモデル化することにより、SAMASはボラティリティリアリズムとターンポイント予測において優れた性能を達成する。
- 参考スコア（独自算出の注目度）: 3.666833138043776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional economic modeling typically follows a TOP-DOWN paradigm, neglecting individual diversity and the complexity of social interactions. To better capture the complexity of societal structure, Agent-Based Modeling (ABM) employs a BOTTOM-UP solution by incorporating micro-level dynamics to generate macroeconomic phenomena. Reinforcement Learning further improves its decision-making ability through tailored reward signals. However, existing ABM systems struggle to generalize beyond predefined scenarios. Recognizing the potential of LLM-driven role-playing in perception and human-like decision-making, we propose SAMAS, which models individual agents with rich macroeconomic understanding embedded in LLMs and economic trajectories experienced in the passing simulation steps. By jointly modeling both macro-level structural patterns and micro-level dynamic behaviors, SAMAS achieves superior performance in volatility realism and turning point prediction.
- Abstract（参考訳）: 伝統的な経済モデルは通常、個人の多様性と社会的相互作用の複雑さを無視してTOP-DOWNパラダイムに従う。
エージェントベースモデリング(ABM)は、社会構造の複雑さをより正確に把握するために、ミクロレベルのダイナミクスを取り入れてマクロ経済現象を発生させることにより、BOTTOM-UPソリューションを採用している。
強化学習は、報酬信号の調整によって意思決定能力をさらに向上させる。
しかし、既存のABMシステムは、事前に定義されたシナリオを超えて一般化するのに苦労している。
そこで本研究では, LLMに埋め込まれたマクロ経済理解の豊かな個々のエージェントと, 通過シミュレーションステップで経験した経済軌道をモデル化したSAMASを提案する。
マクロレベルの構造パターンとミクロレベルの動的挙動を共同でモデル化することにより、SAMASはボラティリティリアリズムや旋回点予測において優れた性能を発揮する。
関連論文リスト
- Reinforcement World Model Learning for LLM-based Agents [60.65003139516272]
強化世界モデル学習(Reinforcement World Model Learning, RWML)は、LDMをベースとしたエージェントのための行動教師付き世界モデルを学ぶ自己条件付き手法である。
本手法は, モデルが生成したシミュレーションされた次の状態と, 環境から観測された次の状態とを一致させる。
本手法をALFWorldと2ドルのBenchで評価し,完全に自己管理されているにもかかわらず,ベースモデルに対する大幅な利得を観測した。
論文 参考訳（メタデータ） (2026-02-05T16:30:08Z) - Social World Model-Augmented Mechanism Design Policy Learning [58.739456918502704]
SWM-AP (Social World Model-Augmented Mechanism Design Policy Learning) を導入する。
SWM-APは,累積報酬とサンプル効率において,モデルベースおよびモデルフリーのRLベースラインよりも優れていた。
論文 参考訳（メタデータ） (2025-10-22T06:01:21Z) - Modeling Earth-Scale Human-Like Societies with One Billion Agents [54.465233996410156]
Light Societyはエージェントベースのシミュレーションフレームワークである。
社会的プロセスはエージェントと環境状態の構造的遷移として形式化される。
10億以上のエージェントによる社会の効率的なシミュレーションを支援する。
論文 参考訳（メタデータ） (2025-06-07T09:14:12Z) - Empowering Economic Simulation for Massively Multiplayer Online Games through Generative Agent-Based Modeling [53.26311872828166]
我々は,MMO経済シミュレーションにおいて,Large Language Models (LLMs) を用いた新しいアプローチを導入するための予備的なステップを採っている。
我々は人間のような意思決定と適応性を備えたLSM駆動型エージェントを設計する。
これらのエージェントはロールプレイング、知覚、記憶、推論の能力を備え、上記の課題を効果的に解決する。
論文 参考訳（メタデータ） (2025-06-05T07:21:13Z) - EconAgent: Large Language Model-Empowered Agents for Simulating Macroeconomic Activities [43.70290385026672]
EconAgentは、マクロ経済シミュレーションのための人間のような特徴を持つ大規模言語モデルを用いたエージェントである。
まず,エージェントの判断による市場動態を取り入れたシミュレーション環境を構築する。
認識モジュールを通して、異なる意思決定機構を持つ異種エージェントを作成する。
論文 参考訳（メタデータ） (2023-10-16T14:19:40Z) - Simulation of emergence in artificial societies: a practical model-based
approach with the EB-DEVS formalism [0.11470070927586014]
本稿では,創発特性のモデリング,シミュレーション,ライブ識別に適した新しいフォーマリズムであるEB-DEVSを適用する。
この研究は、コミュニケーション構造をモデル化するためのアプローチの簡潔さとコンパクトさに関するケーススタディ駆動の証拠を提供する。
論文 参考訳（メタデータ） (2021-10-15T15:55:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。